4.1.2. Narasi Use Case
a. Gambaran Umum Use Case
Diagram yang ada pada bab 4.1.1. memiliki gambaran umum dari masing-masing use case. Gambaran umum ini terlampir
pada Lampiran 2.
b. Narasi Use Case
Diagram yang ada pada bab 4.1.1. selain memiliki gambaran umum, juga memiliki narasi yang merupakan penjelasan lebih
lengkap dari masing-masing use case. Narasi ini terlampir pada
Lampiran 3.
4.2. PERANCANGAN SISTEM SECARA UMUM
4.2.1. Input Sistem
Sistem ini menerima masukan yang paling utama adalah
data file
yang memiliki ekstensi .xls atau .csv atau dapat juga dari data tabel yang ada dalam database. Sistem juga harus menerima
masukan isian yang disebut dengan isian “k”. Isian ini merupakan
isian yang bebas berupa angka yang diketikkan oleh user untuk mengisikan jumlah tetangga yang diinginkan.
Namun selain itu, sistem juga dapat menerima isian berupa angka dapat berupa desimal dengan format 0.00 untuk mengisikan
batasan outlier
jika user menginginkan hasil outlier memiliki nilai
batasan. Isian batasan outlier ini sifatnya pilihan, jadi tidak diwajibkan untuk selalu mengisinya.
4.2.2. Proses Sistem
Sistem tidak dapat menghasilkan apa-apa jika tidak memiliki proses yang berjalan dalam sistem tersebut. Dalam sistem
pendeteksian outlier
menggunakan algoritma
Influenced Outlierness INFLO ini memiliki beberapa proses yang berjalan di
dalamnya. Proses-proses tersebut adalah sebagai berikut : 1.
Pengambilan Data Proses pengambilan data dapat dilakukan dengan
cara mengambil dari salah satu direktori di komputer file bertipe .xls atau .xlsx atau .csv. Data yang terpilih akan
tampil dalam tabel data yang berada pada halaman Preprocessing. User dapat menggunakan seluruh atribut
untuk dideteksi atau juga dapat menghapus atribut yang tidak ingin dipergunakan dalam pendeteksian outlier.
2. Penghitungan Jarak Obyek Data
Setelah data sudah masuk ke sistem, akan dilakukan perhitungan jarak antar obyek data terlebih
dahulu, sebelum masuk ke proses deteksi outlier. Perhitungan jarak dilakukan dengan menggunakan
rumus Euclidean Distance. Perhitungan jarak ini nantinya akan dipergunakan untuk menentukan tetangga
terdekat dengan jumlah tetangga sesuai jumlah yang diinginkan oleh user saat mengisikan pada isian nilai
“k”. Penentuan jumlah tetangga adalah sejumlah nilai “k” dari jarak terdekat obyek.
3. Pendeteksian Outlier Menggunakan Algoritma
Influenced Outlierness Setelah mendapatkan tetangga-tetangga terdekat
dari obyek, mencari influence space yang merupakan gabungan dari
�
dan
�
. Lalu menghitung local density yang merupakan inverse dari k-distance obyek.
Tahap yang terakhir adalah mendeteksi outlier dengan menggunakan rumus influenced outlierness INFLO.
Proses umum yang terjadi pada sistem sudah digambarkan dalam suatu diagram yang ada pada Lampiran 4.
4.2.3. Output Sistem
Kategori